[논문 리뷰] Identification of core-periphery structure in networks

Xiao Zhang, Travis Martin외 1명|arXiv (Cornell University)|2014. 09. 16.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 기대값 최대화와 민감도 전파를 통해 확률적 블록 모델의 최대우도 적합을 이용하여 네트워크의 코어-퍼리퍼리 구조를 통계적으로 원리에 기반한 알고리즘을 제안한다. 이 방법은 실제 및 합성 네트워크에서 코어-퍼리퍼리 구조를 성공적으로 탐지하며, 탐지 가능 임계값이 없어 매우 약한 구조적 신호에도 효과적이다.

ABSTRACT

Many networks can be usefully decomposed into a dense core plus an outlying, loosely-connected periphery. Here we propose an algorithm for performing such a decomposition on empirical network data using methods of statistical inference. Our method fits a generative model of core-periphery structure to observed data using a combination of an expectation--maximization algorithm for calculating the parameters of the model and a belief propagation algorithm for calculating the decomposition itself. We find the method to be efficient, scaling easily to networks with a million or more nodes and we test it on a range of networks, including real-world examples as well as computer-generated benchmarks, for which it successfully identifies known core-periphery structure with low error rate. We also demonstrate that the method is immune from the detectability transition observed in the related community detection problem, which prevents the detection of community structure when that structure is too weak. There is no such transition for core-periphery structure, which is detectable, albeit with some statistical error, no matter how weak it is.

연구 동기 및 목표

• 통계적 추론을 사용하여 무방향 네트워크에서 코어-퍼리퍼리 구조를 탐지하기 위한 제1원리 기반 방법을 개발한다.
• 기존 히우리스틱 방법의 한계를 극복하기 위해 생성 모형과 최대우도 추정을 활용한다.
• 대규모 네트워크, 특히 인터넷과 정치 블로그 네트워크와 같은 실제 사례에서의 강건성과 확장성을 입증한다.
• 커뮤니티 탐지에서 관찰되는 것과 유사하게 코어-퍼리퍼리 구조에 탐지 가능 임계값이 존재하지 않음을 보여준다.
• 최대 백만 개 노드까지 적용 가능한 확장성 있고 효율적인 알고리즘을 제공한다.

제안 방법

• 코어-코어, 코어-퍼리퍼리, 퍼리퍼리-퍼리퍼리 노드 쌍 간의 연결 확률이 다름을 고려한 코어-퍼리퍼리 구조에 특화된 확률적 블록 모델을 사용한다.
• 관측된 네트워크 데이터로부터 모델 파라미터를 추정하기 위해 기대값 최대화(EM) 알고리즘을 적용한다.
• 추정된 파라미터를 바탕으로 각 노드의 가장 가능성이 높은 코어-퍼리퍼리 할당을 계산하기 위해 민감도 전파를 활용한다.
• 계산 효율성과 확장성을 향상시키기 위해 선형화된 민감도 전파 근사를 구현한다.
• 모델 파라미터와 노드 할당을 동시에 최적화하기 위해 EM과 민감도 전파를 반복적 추론 프레임워크에 통합한다.
• 네트워크를 랜덤 과정으로 간주함으로써 통계적 추론을 원리적으로 가능하게 하는 생성 모형 접근법을 사용한다.

Figure 1: In the stochastic block model both core (red) and periphery (blue) vertices have Poisson degree distributions, but the mean degree is higher in the core than in the periphery, so the overall degree distribution of the network is a sum of two overlapping Poisson distributions as shown here.

실험 결과

연구 질문

• RQ1 약하거나 미묘한 구조적 신호를 가진 네트워크에서 코어-퍼리퍼리 구조를 신뢰성 있게 탐지할 수 있는가?
• RQ2 제안된 방법의 성능은 실제 및 합성 네트워크에서 기존 히우리스틱 접근법과 비교해 어떻게 되는가?
• RQ3 이 방법은 백만 개 이상의 노드를 가진 대규모 네트워크로도 효율적으로 확장되는가?
• RQ4 커뮤니티 탐지에서 관찰되는 것과 유사하게 코어-퍼리퍼리 구조에 탐지 가능 임계값이 존재하는가?
• RQ5 알고리즘이 단지 도수에 의존하는 것이 아니라 구조적 역할에 기반해 코어 노드를 얼마나 잘 구분하는가?

주요 결과

• 알고리즘은 낮은 오류율로 벤치마크 네트워크에서 알려진 코어-퍼리퍼리 구조를 성공적으로 식별한다.
• 백만 개 이상의 노드를 가진 네트워크로도 효율적으로 확장되어 대규모 시스템에 대한 실용적 적용 가능성을 입증한다.
• 신호가 매우 약할 경우에도 코어-퍼리퍼리 구조를 탐지할 수 있으며, 탐지 가능 임계값이 없어 커뮤니티 탐지와는 달리 효과적이다.
• 인터넷 AS 네트워크에서는 백본 노드의 소수를 정확히 코어로 식별하고 대부분의 엣지 노드를 퍼리퍼리로 배치한다. 이는 일부 고도 수준의 노드가 네트워크 위치상 퍼리퍼리일 수 있음에도 불구하고도 성립한다.
• 정치 블로그 네트워크에서는 보수 및 자유 진영 커뮤니티 내에 각각 두드러지게 영향력 있는 블로그인 Daily Kos와 National Review와 대응하는 명백한 코어를 식별한다.
• 민감도 전파 근사는 빠른 추론을 가능하게 하며, 선형화된 버전은 정확도를 유지하면서도 계산 속도를 향상시킨다.

Figure 2: The fraction of nodes classified incorrectly in tests on stochastic block model networks parametrized according to Eq. ( 33 ), as a function of $\theta_{2}$ for fixed $r=2$ and three different values of $\theta_{1}$ as indicated. Solid points represent results for the maximum likelihood me